في عالم الزراعة المتطور، تبرز الحاجة لإيجاد حلول تسمح بالعمل في مختلف الظروف، وخاصة في الليل. على الرغم من أن الملاحة البصرية (Visual Navigation) قد تم دراستها بشكل مكثف في الروبوتات الزراعية، إلا أن معظم الأنظمة الحالية تفترض الظروف النهارية فقط. لكن ما الجديد؟ إن تشغيل الروبوتات الذاتية في الليل يحمل العديد من الفوائد، مثل المراقبة المستمرة للمحاصيل والتربة، وحصاد الثمار، وكشف الآفات الليلية.

تعتمد الأنظمة الحديثة ذات الرؤية على مجموعات بيانات ضخمة من الصور المحددة بدقة، وهو ما يعد تحدياً للحصول عليه في ظروف التشغيل الليلية. في هذا السياق، نقدم إطار عمل غير خاضع للإشراف (Unsupervised) لتحويل الصور، حيث يقوم بتحويل صور RGB للمحاصيل خلال النهار إلى نظيراتها من الأشعة تحت الحمراء القريبة (NIR) في الليل، وذلك دون الحاجة إلى إشراف دقيق على مستوى البكسل. هذا يحافظ على إمكانية استخدام تسميات الصور النهارية مباشرة في تدريب نماذج الإدراك الليلية.

من خلال دمج نموذج التعلم الخاص (Contrastive Language-Image Pre-training - CLIP)، تم تصميم هذا الإطار لضمان الحفاظ على الاتساق الدلالي خلال عملية التحويل من النهار إلى الليل. كما تم إدخال قناع للرؤية (Visibility Mask) يحسب النطاق الفعّال المحدود للإضاءة NIR في مشاهد الليل.

أجرينا تقييمات مقارنة مع حلول تحويل الصور الرائدة، وأظهرنا جودة صور أعلى، مما دعم أداءً متفوقاً في تقسيم الصور الدلالي لنماذج الملاحة الليلية.

لأغراض التقييم، استخدمنا مجموعة بيانات جديدة تُدعى AgriNight، والتي تضم 428 صورة نهارية و549 صورة ليلية تم جمعها باستخدام روبوتات مجهزة برؤية ليلية في الحقول الزراعية، وتم وسمها يدوياً بدقة على مستوى الصورة.

كما قمنا بتجارب ملاحة ذاتية في الوقت الفعلي باستخدام روبوت مادي يعمل في الليل. وقد تم توفير البيانات والتفاصيل البرمجية عبر الرابط التالي: AgriNight GitHub. هل يمكن أن يحدث هذا تطويراً كبيراً في الزراعة الحديثة؟ شاركونا آرائكم في التعليقات.